《理解矩阵》有感

近期准备拾起2年前的研究工作撺论文，看了2018年发的社区发现的相关论文，发现社区发现已经做的差不多了。但是还是找了几篇还不错参考一下，看看能不能基于人家的东西做点啥。这里面就用到了谱分析。我原来对谱分析以及各种变换（傅里叶、拉普拉斯）看着就头大。现在准备好好学学这些东西了。先找了图谱论，准备看看，发现上来就碰见了图的Laplacian矩阵。到了矩阵，就又头大了，本科的时候学线性代数没好好学，另外老师也只是让死记硬背矩阵的相关运算，并没有揭露本质问题，所以我对矩阵知识也是印象不深刻。

在网上找了很多关于矩阵知识的文章之后，发现孟岩写的《理解矩阵》一系列文章写的不错，不是按照书上那种死板套路讲解的。于是认真阅读了他的文章。

例子：

达成同一个变换的结果，比如把点(1, 1)变到点(2, 3)去，你可以有两种做法。第一，坐标系不动，点动，把(1, 1)点挪到(2, 3)去。第二，点不动，变坐标系，让x轴的度量（单位向量）变成原来的1/2，让y轴的度量（单位向量）变成原先的1/3，这样点还是那个点，可是点的坐标就变成(2, 3)了。方式不同，结果一样。
       Ma = b 的意思是：

（1）“向量a经过矩阵M所描述的变换，变成了向量b。”

（2）“有一个向量，它在坐标系M的度量下得到的度量结果向量为a，那么它在坐标系I的度量下，这个向量的度量结果是b。”这里的I是指单位矩阵，就是主对角线是1，其他为零的矩阵。

 如果把M放在一个向量a的前面，形成Ma的样式，我们可以认为这是对向量a的一个环境声明。它相当于是说： “注意了！这里有一个向量，它在坐标系M中度量，得到的度量结果可以表达为a。”

b其实是Ib，Ma=b其实就是：在M坐标系里量出来的向量a，跟在I坐标系里量出来的向量b，其实根本就是一个向量啊！

这里记录个人理解和认为比较重要的知识点。

1. 空间(space)，这个概念是现代数学的命根子之一，从拓扑空间开始，一步步往上加定义，可以形成很多空间。空间可以容纳对象运动的。一种空间对应一类对象。

2. 有一种空间叫线性空间，线性空间是容纳向量对象运动的。运动是瞬时的，因此也被称为变换。

3. 所谓变换，其实就是空间里从一个点（元素/对象）到另一个点（元素/对象）的跃迁

4. 计算机图形学里应用的图形变换，实际上是在仿射空间而不是向量空间中进行的，所以变换矩阵是4X4的。

5. 矩阵的定义：矩阵是线性空间中运动（变换）的描述。矩阵与向量相乘，就是实施运动（变换）的过程。

6. 基：把基看成是线性空间里的坐标系就可以了。注意是坐标系，不是坐标值，这两者可是一个“对立矛盾统一体”。这样一来，“选定一组基”就是说在线性空间里选定一个坐标系。 “矩阵是线性空间中的线性变换的一个描述。在一个线性空间中，只要我们选定一组基，那么对于任何一个线性变换，都能够用一个确定的矩阵来加以描述。”

7. 同一个线性变换的矩阵兄弟们的一个性质，那就是：若矩阵A与B是同一个线性变换的两个不同的描述（之所以会不同，是因为选定了不同的基，也就是选定了不同的坐标系），则一定能找到一个非奇异矩阵P，使得A、B之间满足这样的关系：

A = P^(-1)BP

8. 所谓相似矩阵，就是同一个线性变换（在不同基上的）的不同的描述矩阵。同一个变换，在不同的坐标系下表现为不同的矩阵，但是它们的本质是一样的，所以本征值相同。

9. 矩阵不仅可以作为线性变换的描述，而且可以作为一组基的描述。而作为变换的矩阵，不但可以把线性空间中的一个点给变换到另一个点去，而且也能够把线性空间中的一个坐标系（基）表换到另一个坐标系（基）去。而且，变换点与变换坐标系，具有异曲同工的效果。

10. 线性空间里的基本对象是向量，而向量是这么表示的：
        [a1, a2, a3, ..., an]

矩阵是这么表示的：
        a11, a12, a13, ..., a1n
        a21, a22, a23, ..., a2n
                     ...
        an1, an2, an3, ..., ann
矩阵是一组向量组成的。

如果一组向量是彼此线性无关的话，那么它们就可以成为度量这个线性空间的一组基，从而事实上成为一个坐标系体系，其中每一个向量都躺在一根坐标轴上，并且成为那根坐标轴上的基本度量单位（长度1）。而矩阵就是由一组向量组成的，那么组成这个矩阵的那一组向量也就是线性无关的了，也就可以成为度量线性空间的一个坐标系。结论：矩阵描述了一个坐标系。
11.运动等价于坐标系变换==对象的变换等价于坐标系的变换==固定坐标系下一个对象的变换等价于固定对象所处的坐标系变换

-->运动是相对的. 

12. M矩阵表示出来的那个坐标系，由一组基组成，而那组基也是由向量组成的，同样存在这组向量是在哪个坐标系下度量而成的问题。也就是说，表述一个矩阵的一般方法，也应该要指明其所处的基准坐标系。所谓M，其实是 IM，也就是说，M中那组基的度量是在 I 坐标系中得出的。M×N声明了一个在M坐标系中量出的另一个坐标系N，其中M本身是在I坐标系中度量出来的。

13.  Ma = Ib，对坐标系施加变换的方法，就是让表示那个坐标系的矩阵与表示那个变化的矩阵相乘。

 

14. 矩阵MxN，一方面表明坐标系N在运动M下的变换结果，另一方面，把M当成N的前缀，当成N的环境描述，那么就是说，在M坐标系度量下，有另一个坐标系N。这个坐标系N如果放在I坐标系中度量，其结果为坐标系MxN。

(1) 从变换的观点看，对坐标系N施加M变换，就是把组成坐标系N的每一个向量施加M变换。

(2)  从坐标系的观点看，在M坐标系中表现为N的另一个坐标系，这也归结为，对N坐标系基的每一个向量，把它在I坐标系中的坐标找出来，然后汇成一个新的矩阵。

(3) 至于矩阵乘以向量为什么要那样规定，那是因为一个在M中度量为a的向量，如果想要恢复在I中的真像，就必须分别与M中的每一个向量进行內积运算。

15. 张量

数字的有序组合产生了向量，向量的有序组合产生了矩阵。这样两个新构造出来的对象，作用一个比一个大。那么有人会联想到：矩阵的有序组合，就可以产生一个“立方阵”，它的功能会不会更加强大？更一般的，n维立方阵呢？这种联想是有道理的，数学上也有这样的研究对象，它就是张量。

最通俗的说法，n阶张量就是一个n维立方阵，所以0阶张量就对应一个数，向量、矩阵分别对应1阶和2阶张量，我们所说的三维立方阵，就是3阶张量啦。

16. 矩阵M的行列式实际上是组成M的各个向量按照平行四边形法则搭成一个n维立方体的体积.可以参考https://www.bilibili.com/video/av5987715?from=search&seid=16213828939248415146

参考文献：

https://blog.csdn.net/myan/article/details/647511